Recovering Stable Scale in Monocular SLAM Using Object-Supplemented Bundle Adjustment 论文笔记

问题

单目SLAM中的尺度漂移且不固定问题

方法

给定物体尺寸期望大小，并将该尺寸放入局部BA中进行优化，可以得到局部地图的尺度大小。与之前的一些方法，不同点在于该方法只需要预先设置物体尺寸大小，不需要施加一个较强的约束条件，例如：相机高度固定，平面路。

Landmark to Landmark

先给出了一种失败的方法，也就是给定物体的一些信息，利用点在物体中的信息作为另一种约束，是不可行的。作者总结的是，应该避免在地图中，将物体尺寸的粗略尺寸信息直接用于精确尺寸信息的路标点(Both suggest avoiding transference of somewhat coarse-scale information about object size directly onto fine-scale point landmarks already in the map)

BA Using Object Landmarks

针对物体信息的参数表示，作者提出将物体信息和路标点信息进行统一的表示(generalized landmarks with different “extents”)，都看成是空间中的球体，只是路标点的尺寸是0。公式这里其实就是将球体的x,y方向极限投影到图像上，求取bounding box的w和h。


这里的物体关联做法，参考的是文献[1]，应该好好看看怎么做的。

Implementation

因为在局部地图优化，尺寸信息无法传递给地图中的其他部分。
关于物体的检测，达到一定数量再进行优化，减少噪声
系统框图如下，采用的是PTAM系统结构，其实与ORB-SLAM差不大多，毕竟ORB-SLAM是基于PTAM改进的。关键帧的选择有一个是基于熵的方法，参考的是文献[2]。

总结

作者给出了三点未来值得改进的工作，首先是检测多类的物体，作者实验中用的是KITTI数据，检测的类别只有车；其次，是SLAM过程的一些细节部分，如何能够将尺寸信息从局部传递给其他部分；最后，就是关于物体参数化表示的方法，这里也提到了一些关于Ellipsoid参数化的方法。

参考文献：
[1]. A. Geiger, M. Lauer, C. Wojek, C. Stiller, and R. Urtasun, “3D traffic scene understanding from movable platforms,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 36, no. 5, pp. 1012–1025, May 2014
[2]. C. Kerl, J. Sturm, and D. Cremers, “Dense visual SLAM for RGB-D cameras,” in Proc. 26th IEEE/RSJ Conf. Intell. Robots Syst., 2013, pp. 2100–2106.